【摘 要】
：
图形构造是工程领域中设计图形的重要手段,针对其在效率、交互性和复用性存在的不足,提出一种基于中轴变换的参数化图形构造方法。通过控制点生成中轴段,通过中轴半径确定图形边界信息。基于上一条中轴段的端点迭代生成中轴段及其边界;基于这些边界信息,构造出图形。利用中轴的控制点进行交互,确保了构造时的交互性;只需对参数值进行改变,即可构造相似的图形,保证了方法的复用性;复杂的图形仅需要通过简单的中轴变换即可得
【基金项目】
：
国家自然科学基金青年基金项目(61702074)。
论文部分内容阅读
图形构造是工程领域中设计图形的重要手段,针对其在效率、交互性和复用性存在的不足,提出一种基于中轴变换的参数化图形构造方法。通过控制点生成中轴段,通过中轴半径确定图形边界信息。基于上一条中轴段的端点迭代生成中轴段及其边界;基于这些边界信息,构造出图形。利用中轴的控制点进行交互,确保了构造时的交互性;只需对参数值进行改变,即可构造相似的图形,保证了方法的复用性;复杂的图形仅需要通过简单的中轴变换即可得出,确保了构造方法的效率。通过实例,证明了该方法在效率、交互性和复用性上的优越性。
其他文献
调制信号的识别在军用的电子战和民用的智能化无线通信中占有重要的地位,针对现有识别方法识别种类少、整体识别率不高和需要预处理等缺点,设计一个CLDNN端到端深度神经网络。该网络无需人工干预或数据统计,自动提取特征并进行多类调制信号类型识别。实验结果表明,该方法能够同时识别11种信号的调制方式,在低信噪比下识别效率相比现有方法有所提升,当信噪比在-4 dB以上时,整体识别精度达到94%以上。
从DAG(有向无环图)的特殊结构出发,采用POS-PBFT作为主链共识算法,将链式共识算法与DAG结合起来,提出一种区块链新模型SDAG。该模型不仅使得系统的扩展性更高,而且使得交易数据的一致性和时序性优于链式结构。实验结果表明SDAG具有较高的实用性。
球面全景视频映射为矩形视频后才能使用现有编码标准进行编码。针对映射过程中存在内容变形和数据冗余的问题,提出一种最小变形双极方形映射(Minimize Deformation Bipolar Square Projection, MDBSP)算法。算法分三步:将球面按纬度展开成一个等面积的、边界与纬度呈余弦关系的平面图形;用两个三角形和一个矩形组成的多边形近似该平面图形,并使变形度最小;将多边形内像
为解决在实际地质储层特性分析过程中存在测井数据不完整的问题,提出一种基于多网络融合的缺失测井数据复原模型。该模型由两个网络组成,其中通过交叉网络捕获有限度的有效特征之间的相互作用关系,并通过残差思想构造网络模型,降低模型复杂度。另一网络先通过构造的树模型进行特征选择,将树模型得到的稀疏向量通过嵌入层转成稠密向量作为神经网络的输入,从而获得高度非线性的组合特征。通过组合两个网络的输出对缺失测井数据进
为了精准检测输电线路周围的鸟类数目,及时驱鸟以确保线路的正常运行,对YOLO V3算法提出两点改进:将原网络中52×52尺度的特征图进行2倍上采样后与第二个残差块拼接,建立特征融合的检测层,提高算法对小目标的检测精确率;通过计算检测框对应的比例因子更新检测框的置信分数,对非极大值抑制算法NMS进行优化,提升模型对遮挡鸟类的检测能力。实验结果表明该模型精确率可达88.36%,可以有效地检测输电线路周
单目视觉SLAM算法容易受场景纹理影响出现初始化失败或者相机轨迹漂移的问题。为此,提出一种基于改进ORB特征的单目视觉SLAM算法。对输入视频帧构建高斯金字塔提取FAST特征,综合考虑特征点的灰度信息与其邻域的梯度信息生成描述子,并采用多网格策略划分特征点邻域,凭借改进的特征点降低运动模型算法的迭代次数,达到较好的时间效率。实验表明,该算法的相机轨迹精度与特征匹配精度相较于ORB-SLAM得到有效
针对模糊目标检测,提出一个基于生成对抗网络去模糊网络模块(Deblur)与YOLO(You Only Look Once)实时检测算法的检测网络(BL-YOLOv3)。该网络采用生成对抗网络的盲目运动去模糊图像(DeblurGAN)增强的方法对图像进行预处理,保留图像中超高质量的纹理信息并生成接近于真实场景的清晰图像。同时对YOLOv3网络进行裁剪压缩,优化对模糊目标的检测。实验结果表明,该方法有
针对在复杂的自然场景中中文本倾斜、模糊、光照等检测难题,提出一种基于卷积神经网络YOLOv3与最大极值稳定区域MSER的检测方法YOLOv3-M,并针对中文场景分别改善YOLOv3与MSER。通过YOLOv3算法对图像文本区域的矩形坐标进行回归预测,设计一个基于MSER的角度检测方法与之关联,实现倾斜文本行的检测。YOLOv3-M弥补了YOLOv3不能检测倾斜目标的缺点以及MSER检测容易被复杂场
针对反激变换器的输出电压稳定性问题,提出一种输出反馈模型预测控制方法。建立双线性模型,设计状态反馈和输出反馈模型预测控制器,增加Luenberger-type型观测器确保状态估测动态误差是全局指数稳定;外环PI控制旨在消除电压偏移误差。给出系统存在输入电压和存在输入约束条件下的电感电流全局收敛的闭环稳定性分析。仿真结果表明,相比于PID控制,该方法在保证系统全局稳定性的同时,可以实现系统误差在有限
通常无监督算法在对高光谱数据进行聚类时仅使用光谱信息,忽略了空间信息,使得聚类准确率较低。针对上述问题提出一种基于深度谱空网络和无监督判别极限学习的高光谱图像聚类算法。利用深度谱空网络对高光谱数据进行光谱特征和空间特征的分层交叉学习,通过反复学习获得深度空谱特征,为后续无监督聚类提供方便。在三种高光谱图像上进行实验,结果表明,该算法获得的聚类效果优于其他基于极限学习机的方法和其他无监督方法。